人工智能辅助压缩感知与并行成像序列在鼻咽癌MRI中的检查时间与图像质量比较
该研究纳入66例病理确诊鼻咽癌患者,在3.0-T MRI上比较AI辅助压缩感知(ACS)与并行成像(PI)技术的4个快速自旋回波序列的检查时间和图像质量。ACS序列总检查时间335.17±11.40秒,显著短于PI的515.67±21.80秒(p<0.0001),且信噪比、对比噪声比及各主观评分均高于PI(p<0.0001)。作者认为ACS在缩短扫描时间的同时提高了图像质量。
要点
- ACS四序列总时间335.17±11.40秒,较PI的515.67±21.80秒缩短约180秒(约35%),差异有统计学意义(p<0.0001)。
- 各序列信噪比与对比噪声比ACS均高于PI(p<0.005),提示高加速因子下图像质量未下降。
- 病灶检出、边缘锐利度、伪影及整体图像质量评分ACS均高于PI(p<0.0001),观察者间一致性κ为0.627~0.892。
核心结论
- 与PI技术相比,ACS技术用于鼻咽癌MR检查不仅能缩短扫描时间,还能提高图像质量。
研究设计与样本
- 单中心研究,2021年8月至2021年12月纳入66例病理确诊鼻咽癌患者,年龄≥18岁,初诊未治疗。
- 采用3.0-T MR系统(uMR790;联影医疗)及头颈联合线圈,比较ACS与PI两种技术重建的横断面T2加权FSE、横断面T1加权FSE、增强后横断面T1加权FSE和增强后冠状面T1加权FSE(脂肪抑制)序列。
- 定量分析在工作站测量病灶信号强度、翼外肌信号强度及背景四角标准差,计算SNR与CNR;定性分析由两名分别有18年和34年鼻咽癌诊断经验的放射科医师在PACS上独立盲法完成,采用5分Likert量表。
- 统计学采用SPSS 26.0,正态分布数据用配对样本t检验,非正态分布数据及图像质量评分用Wilcoxon符号秩检验,观察者间一致性用加权kappa统计和χ²检验。
关键影像表现/征象
- ACS序列上鼻咽癌病灶边界较PI序列更清晰,能更清晰区分肌肉、黏膜和脂肪组织,尤其在横断面T2加权FSE序列上。
- ACS可有效抑制吞咽运动伪影,缩短扫描时间有助于冻结运动。
- 以T2WI FSE序列为例,ACS和PI两种方法上两位阅片者均无病例被评为1分或2分(1分差、几乎不可见;2分尚可、病灶部分可见)。
诊断标准与关键数值
- 病灶检出评分:1分差、几乎不可见;2分尚可、病灶部分可见;3分中等、可检出但不清晰;4分好、可检出且解剖细节较清晰;5分优、易检出且解剖细节非常清晰。
- 病灶边缘锐利度评分:1分不可读;2分极模糊;3分中度模糊;4分轻度模糊;5分无模糊。
- 伪影评分:1分不可读;2分严重伪影;3分中度伪影;4分轻度伪影;5分无伪影。
- 整体图像质量评分:1分差;2分尚可;3分中等;4分好;5分优。
- 观察者间kappa系数判读:<0.20极弱;0.21~0.40弱;0.41~0.60中等;0.61~0.80满意;0.81~1.00优。
临床应用与阅片要点
- 横断面T2加权FSE序列时间ACS 40.08±1.33秒 vs PI 60.21±3.24秒(p<0.0001)。
- 横断面T1加权FSE序列时间ACS 74.91±2.76秒 vs PI 107.54±5.89秒(p<0.0001)。
- 增强后横断面T1加权FSE序列时间ACS 92.40±2.82秒 vs PI 129.72±5.66秒(p<0.0001)。
- 增强后冠状面T1加权FSE序列时间ACS 127.78±9.74秒 vs PI 218.21±16.13秒(p<0.0001),扫描时间减少超过40%。
- 增强后冠状面脂肪抑制T1加权FSE上斜方肌SNR:ACS 94.76±27.08 vs PI 78.63±23.00(p<0.0001),提示ACS在提高成像速度后仍能保持下颈部成像质量。
局限性
- 样本量小可能导致测量值存在选择偏倚。
- 仅纳入病理结果明确且影像表现典型的鼻咽癌患者,排除了其他鼻咽部病变患者。
- 尽管ACS具有降噪减少伪影的特性,部分固有伪影仍可能无法消除。
- ACS所用深度学习方法的精度高度依赖训练数据集的大小和多样性,其结果仍缺乏稳定性,涉及小噪声扰动、微结构变化和样本数差异等方面的不稳定。
全文中译9 节 · 点击展开
引言
鼻咽癌(NPC)在东南亚地区呈地方性流行,尤其是在中国大陆部分南部省份[1]。磁共振成像(MRI)广泛应用于鼻咽癌的诊断、分期和疗效评估。与计算机断层扫描(CT)相比,MRI能更好地识别早期鼻咽癌(I–II期),在判别邻近软组织侵犯、颅底侵犯、颅神经侵犯及咽后淋巴结受累方面具有更高的敏感性和特异性[2–4]。
尽管MRI的优势显而易见,但MRI检查耗时较长可导致患者疲劳和运动伪影,从而降低图像质量。K空间欠采样是目前缩短MRI扫描时间的主要方法[5]。进行K空间欠采样的方法主要有三种,包括半傅里叶(HF)成像、并行成像(PI)和压缩感知(CS)[6]。HF技术基于K空间的厄米共轭对称性。理想条件下仅在相位编码方向采集一半K空间数据,另一半可根据K空间的共轭对称性计算并填充[7–9]。HF的不足在于会产生吉布斯伪影,且图像信噪比(SNR)不可避免地下降。PI技术依赖于使用接收线圈阵列采集欠采样K空间数据,并依靠专用算法重建完整视野(FOV)图像[10, 11]。PI是临床应用中常用的加速工具,但在高加速因子下图像质量可能因噪声放大和欠采样伪影而降低。CS技术通过利用稀疏性,为从欠采样K空间恢复成像数据提供了新途径。通过非相干采样获取的少量信号利用重建算法以高概率进行重建,最终通过傅里叶变换获得更高质量的MR图像[12–14]。
近年来,CS作为一种新的K空间欠采样方法得到广泛应用。然而,其稀疏性不足可能在采用过高加速因子时导致类噪声混叠伪影。因此,一些MR厂商引入了深度学习重建(DLR)以改善图像质量[15–17],例如佳能医疗系统株式会社开发的Advanced intelligent Clear IQ Engine(AiCE)[18]。联影智能(UII)和联影医疗(UIH)开发了一种新的加速方法,即人工智能(AI)辅助压缩感知(ACS),融合了CS、HF和PI,创新性地将深度学习神经网络作为AI模块引入重建过程[19]。
MRI是鼻咽癌(NPC)定位及定性、分期诊断的最合适方法[20–23]。T2加权快速自旋回波(FSE)、T1加权FSE和增强T1加权FSE是鼻咽癌MRI的关键序列[24]。鼻咽癌的常规MRI扫描以带有PI的FSE序列为主[25],在某些序列中需要联合脂肪抑制以判断肿瘤是否存在颅底骨髓浸润[26, 27]。此外,鼻咽癌MRI必须联合鼻咽部及颈部进行扫描以便于临床分期。由于联合鼻咽部及颈部扫描以及采用时间较长的FSE序列,MRI扫描总时间较长,导致部分患者因无法耐受而未能完成检查。本研究旨在将创新的ACS技术应用于FSE序列,探讨ACS在改善鼻咽癌MRI检查时间及图像质量方面的能力。
方法
研究人群
本研究经我院机构审查委员会批准(批准号:B2020-417)。2021年8月至2021年12月,共72例确诊或疑似鼻咽癌患者使用3.0-T MR系统接受鼻咽部及颈部检查。纳入标准如下:(1)新诊断、未经治疗的鼻咽癌患者;(2)年龄≥18岁的患者。排除标准如下:(1)无鼻咽癌病理确诊;(2)患者依从性差、数据不完整或存在严重运动伪影。最终,66例经病理诊断为鼻咽癌的患者纳入本研究。患者特征见表1。
MRI采集
所有MRI测量均在3.0-T MR机器(uMR790;联影医疗科技股份有限公司)上使用头颈联合线圈完成。在注射对比剂前获取横断面T2加权FSE序列以及横断面、矢状面和冠状面T1加权FSE图像。以0.1 mmol/kg的剂量注射钆喷酸葡胺后,使用与注射前成像相似的参数获取T1加权横断面、矢状面和冠状面序列(含脂肪饱和)。
横断面T2加权FSE序列、横断面T1加权FSE序列、增强后横断面T1加权FSE序列以及增强后冠状面T1加权FSE联合脂肪抑制为实验序列,分别采用ACS和PI技术获取。记录所有患者的检查时间。同一患者ACS序列与PI序列所使用的参数(TR、TE、ETL等)保持一致;ACS和PI序列的参数详情见表2。
ACS
ACS 结合压缩感知(CS)、并行成像(PI)、半傅里叶(HF)和人工智能(AI)来提供改进的磁共振加速解决方案。它创新性地引入了基于深度神经网络的 AI 模块。ACS 中 AI 模块的目标是学习无重建伪影的全采样高质量图像的特征,将获得的全 k 空间数据转换到图像空间,作为目标输出。AI 模块基于设计的残差神经网络(ResNet)进行训练,该网络广泛用于卷积神经网络(CNN)[17, 28–30]。网络结构由两个卷积操作和一个跳跃连接组成。在网络输入和输出之间添加了长跳跃连接,以学习全采样图像和欠采样图像之间的残差,从而提高学习过程中的收敛速度。为进一步提高重建图像质量,采用了最小二乘生成对抗网络训练策略[31]。网络设计如图 1 所示。欠采样图像提供了扫描过程中真正获得的信息。输入数据的先验知识由内部网络中重要的数据一致性检查模型保持,而特征检测和图像优化过程中的参数将在训练阶段进行优化,直到网络的预测达到最优状态。在 AI 模型的训练阶段,收集了大量全 k 空间数据,并进行回顾性欠采样并转换到图像空间作为输入。“这种经 FDA 批准的深度学习辅助重建方法是基于先前用体模(2%)和志愿者(98%)采集的两百万个全采样层面进行训练的”[31]。
压缩后的 AI 模块被集成到压缩感知框架的迭代重建程序中,以获得最终图像。ACS 遵循压缩感知原理,同时利用 AI 模块的学习能力。这种有效结合实现了深度学习的优势,也使 AI 模块可控。
定量图像分析
定量图像分析在工作站(uWS-MrR005;United Imaging Healthcare Co., Ltd.)上进行。ACS 和 PI 技术生成的图像均要求通过放置感兴趣区(ROI)来测量信号强度(SI)和标准差(SD)。ROI 放置在两套图像上,包括横轴位 T2 加权 FSE 序列、横轴位 T1 加权 FSE 序列、增强后横轴位 T1 加权 FSE 序列,以及增强后冠状位 T1 加权 FSE 脂肪抑制序列。然后,在两套图像中最大病灶处测量以下数据:病灶的 SI、翼外肌的 SI(如果同侧翼外肌已受侵犯,ROI 应放置在对侧翼外肌图像上)、同一层面图像背景四角(左上角、右上角、左下角和右下角)的 SD。SNR 和 CNR 使用以下公式计算[32]:其中 S 为病灶 SI,SD 为背景噪声四角 SI 的平均标准差,d 为层厚。
计算CNR时采用以下公式:其中SItissue1和SItissue2分别为病灶和翼外肌的信号强度;SD为背景噪声四个角信号强度的平均标准差。
颈部MRI在评估鼻咽癌(NPC)淋巴结转移方面尤为重要。下颈部区域信号强度的评估通过测量斜方肌的信噪比(SNR)来完成。在增强后冠状位T1加权脂肪抑制快速自旋回波(FSE)序列的两组图像(ACS和PI)上放置斜方肌的感兴趣区(ROI),以获得斜方肌的信号强度。测量背景噪声四个角信号的SD时,计算其平均值和SD。斜方肌的SNR采用公式(1)计算。
定性图像分析
定性图像分析使用图像存档与通信系统(PACS)(Centricity™ PACS;GE Medical Systems)进行。所有图像分析均由两名放射科医师(H.L.和C.M.X.)完成,他们分别具有18年和34年的鼻咽癌诊断经验。两名阅片者分别对患者临床数据设盲,并采用5分评分系统评估病灶检出、病灶边缘锐利度、伪影和整体图像质量。在本研究中,病灶检出的评分如下:1,差,几乎不可见;2,一般,病灶部分可见;3,中等,病灶可检出但不清晰;4,好,病灶可检出且解剖细节相对清晰;5,优,病灶易于检出且解剖细节非常清晰。病灶边缘锐利度的评分如下:1,无法判读;2,极度模糊;3,中度模糊;4,轻度模糊;5,无模糊。伪影的评分如下:1,无法判读;2,严重伪影;3,中度伪影;4,轻度伪影;5,无伪影。整体图像质量的评分如下:1,差;2,一般;3,中等;4,好;5,优。
统计分析
统计分析使用SPSS 26.0软件(IBM)进行。比较ACS和PI序列之间的检查时间以及SNR和CNR值。所有计量数据以平均值±SD表示。数据正态性采用Kolmogorov-Smirnov检验。正态分布数据采用配对样本t检验分析,非正态分布数据采用Wilcoxon符号秩检验分析。采用ACS和PI技术的序列图像质量评分也采用Wilcoxon符号秩检验。加权kappa统计量和χ2检验用于评估各定性指标图像分析的观察者间一致性。观察者间一致性的kappa系数解释如下:< 0.20,极弱;0.21–0.40,弱;0.41–0.60,中等;0.61–0.80,满意;0.81–1.00,优。p < 0.05被认为具有统计学意义。
结果
两个代表性病例见图2和图3。
检查时间的比较(图4)显示,采用ACS的FSE序列时间显著短于采用PI的FSE序列,ACS序列与PI序列的总体检查时间显示出统计学差异。检查时间的比较显示,横断面T2加权序列采用ACS的时间显著短于采用PI的时间(ACS(40.08 ± 1.33 s)vs. PI(60.21 ± 3.24 s),p < 0.0001)。横断面T1加权序列采用ACS的时间显著短于采用PI的时间(ACS(74.91 ± 2.76 s)vs. PI(107.54 ± 5.89 s),p < 0.0001)。横断面增强后T1加权序列采用ACS的时间显著短于采用PI的时间(ACS(92.40 ± 2.82 s)vs. PI(129.72 ± 5.66 s),p < 0.0001)。冠状面增强后T1加权序列采用ACS的时间显著短于采用PI的时间(ACS(127.78 ± 9.74 s)vs. PI(218.21 ± 16.13 s),p < 0.0001)。使用ACS和PI的4个序列总时间分别为335.17 ± 11.40和515.67 ± 21.80 s(p < 0.0001)。
SNR的比较(表3和图5)显示,采用ACS的FSE序列SNR值显著高于采用PI的FSE序列。横断面T2加权序列采用ACS的SNR值显著高于采用PI的SNR值(ACS(182.07 ± 41.69)vs. PI(145.27 ± 38.05),p < 0.0001)。横断面T1加权序列采用ACS的SNR值显著高于采用PI的SNR值(ACS(183.53 ± 31.36)vs. PI(147.02 ± 27.11),p < 0.0001)。横断面增强后T1加权序列采用ACS的SNR值显著高于采用PI的SNR值(ACS(312.43 ± 56.59)vs. PI(245.89 ± 46.68),p < 0.0001)。冠状面增强后T1加权序列采用ACS的SNR值显著高于采用PI的SNR值(ACS(189.05 ± 60.84)vs. PI(140.82 ± 43.26),p < 0.0001)。斜方肌的SNR值在增强后冠状面T1加权FSE压脂序列中也具有统计学意义(ACS(94.76 ± 27.08)vs. PI(78.63 ± 23.00),p < 0.0001)。至于CNR值,采用ACS的FSE序列也显著高于采用PI的FSE序列(表3和图6)。横断面T2加权序列采用ACS的CNR值显著高于采用PI的序列(ACS(6.21 ± 3.00)vs. PI(5.52 ± 3.05),p < 0.0027)。横断面T1加权序列采用ACS的CNR值显著高于采用PI的序列(ACS(1.96 ± 1.38)vs. PI(1.59 ± 1.11),p < 0.0003)。横断面增强后T1加权序列采用ACS的CNR值显著高于采用PI的序列(ACS(4.59 ± 2.19)vs. PI(3.93 ± 2.03),p < 0.0001)。冠状面增强后T1加权序列采用ACS的CNR值显著高于采用PI的序列(ACS(9.32 ± 4.07)vs. PI(6.70 ± 2.54),p < 0.0001)。
表4显示,ACS序列在病灶检出、病灶边缘锐利度、伪影及整体图像质量方面的评分均高于PI序列(p(所有)< 0.0001)。独立定性分析的观察者间一致性显示满意至优秀的一致性,κ值范围为0.627至0.892(p(所有)< 0.0001)。
讨论
本研究通过与PI比较,探讨应用ACS是否能缩短检查时间并影响鼻咽癌的MR图像质量。
本研究的定量评估显示,对同一患者的两组FSE序列同时应用ACS和传统PI时,在相同分辨率下使用ACS的序列扫描时间显著短于PI。4个序列使用ACS的时间较传统PI缩短180秒,表明时间节省约等于35%。同时,图像的SNR和CNR值并未急剧下降,这些值在使用ACS的序列中甚至更高,表明ACS即使在高加速因子下也具有维持图像质量的能力。在既往联合鼻咽颈部扫描中,由于头颈部线圈的限制及注射对比剂后的血管搏动伪影,下颈部SI主要较差,尤其是冠状面脂肪抑制序列。因此,本研究特意测量了冠状面脂肪抑制序列的SNR。结果发现,采用ACS的斜方肌SNR高于传统PI,同时扫描时间减少超过40%,表明ACS在提高成像速度后也能维持成像质量。ACS能够在成像速度与成像质量之间取得良好平衡。
本研究的定性评估显示,采用ACS的序列在病灶检出、病灶边缘清晰度、伪影及整体图像质量方面的评分均高于PI。对每种方法的所有定性指标进行了观察者间一致性评估,结果显示kappa值为0.627至0.892。因此,本研究达成了一致性满意至优秀的结果。我们发现,采用ACS的FSE序列中鼻咽癌(NPC)病灶的边缘清晰度更为清晰,且与基于PI的序列相比,基于ACS的序列能够清晰区分肌肉、黏膜和脂肪组织。更清晰地界定肿瘤组织的侵犯范围可能具有优势,尤其是对于横断面T2加权FSE序列。这一特征可能与ACS抑制噪声和减少伪影的能力有关,从而获得比PI方法更高的图像清晰度和更好的整体质量。PI在高加速因子下可能产生残余混叠和噪声诱导伪影,此前已有报道[11, 33–36]。然而,ACS完美地消除了这一挑战。ACS中的AI模块使用大量全采样数据进行训练,以抑制常规方法在高加速因子下引入的各种重建伪影,同时不影响解剖和病理结构。鼻咽癌患者在MR扫描中可能容易产生吞咽运动伪影,严重情况下可能无法完成整个检查。然而,在本研究中,使用ACS的序列中由吞咽运动引起的运动伪影显著减少。ACS的超快速成像——即冻结运动以有效减少伪影的固有能力——可能是一个影响因素。
与PI方法不同,使用深度学习方法中的ACS存在潜在风险,其高精度在很大程度上依赖于训练数据集的大小和多样性。尽管当前的深度学习算法已显示出准确的重建结果,但结果仍缺乏稳定性。不稳定性问题主要涵盖以下方面:(1)某些小噪声扰动的不稳定性;(2)微结构变化的不稳定性;(3)样本数量差异的不稳定性。在医学成像中,稳定且准确的图像重建方法对疾病诊断至关重要。因此,在提高算法准确性的同时确保稳定输出非常重要。然而,根据目前的研究,ACS在病灶检出方面的能力不亚于PI。以T2WI FSE序列为例,在ACS和PI方法上,两位阅片者均评定0例为1级和2级(1级,差,几乎不可见;2级,一般,病灶部分可见)。
目前,基于深度学习的MRI解决方案被用于解决伪影减少、运动校正和去噪等问题,主要分为两类:基于深度学习的图像重建和基于深度学习的图像后处理[37, 38]。基于深度学习的图像后处理方法使用集成于MRI中的深度学习重建工具,通过深度学习算法将MRI信号与噪声分离,以增强信号强度,同时抑制噪声[18, 39]。ACS属于基于深度学习的图像重建方法,将人工智能模块集成到压缩感知框架的迭代重建过程中,一些研究者证明,这种深度学习方法有助于CS的重建,并在采集时间延长时确保高保真度[40–42]。
本研究仍存在若干不足。首先,样本量较小可能导致测量值存在选择偏倚。其次,仅纳入具有明确病理结果和典型影像学表现的鼻咽癌(NPC)患者,而排除了其他鼻咽病变患者。最后但同样重要的是,尽管ACS具有降噪以减少伪影的特性,但某些固有伪影可能仍无法消除。
总之,与PI技术相比,用于鼻咽癌MR检查的ACS技术不仅可以缩短扫描时间,还可以提高图像质量。
引用
- Liu H, Deng D, Zeng W, et al. AI-assisted compressed sensing and parallel imaging sequences for MRI of patients with nasopharyngeal carcinoma: comparison of their capabilities in terms of examination time and image quality. Eur Radiol. 2023. PMID: 37219618. doi:10.1007/s00330-023-09742-6
- 全文:PMC10598173(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10598173/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。